手肘法 WCSS 降幅
手肘法 WCSS 降幅计算器，输入不同聚类数下的簇内平方和(WCSS)降幅辅助选择最佳 k，用于 K-Means 聚类数确定。
🤖 Elbow Method WCSS Drop Analyzer
Enter within-cluster sum of squares for several values of k and find the elbow where adding clusters stops paying off.
📐 计算公式 / 原理
降幅 = (WCSS_k − WCSS_{k+1}) / WCSS_k × 100%；比率 = WCSS_{k+1} / WCSS_k
手肘法看簇内平方和随 K 增大而下降的边际收益：降幅突然变小的拐点即"手肘"。它依赖人眼判读，簇形状不均时拐点不明显，可辅以轮廓系数或 Calinski-Harabasz 指数交叉验证。
📐 计算公式与说明
降幅 = (WCSS_k − WCSS_{k+1})/WCSS_k
降幅明显减缓处常选为最佳 k。
📚 深度解析：手肘法 WCSS 降幅
💡 常见使用场景
- WCSS(簇内平方和)=Σ‖x−μ_k‖²，k 越大 WCSS 越小，降幅随 k 增大而递减。
- 手肘点是降幅明显变缓处，对应较优聚类数 k，是 K-Means 选 k 的经验法。
- 应结合业务可解释性与轮廓系数综合判断，避免只看单一拐点。
选 k
k=2→WCSS=500, k=3→300(降200), k=4→220(降80), k=5→190(降30)。降幅在 k=3→4 明显放缓，手肘点约 k=3~4，选 k=4 既紧致又不冗余。
❓ 常见问题（FAQ）
- 手肘法一定准吗？
- 不一定。数据无清晰簇结构时拐点模糊，需配合轮廓系数、Gap Statistic 或业务含义；手肘法只是启发式起点。
- WCSS 一直降要不要一直加 k？
- 不必。k 接近样本数时 WCSS→0 但失去聚类意义；目标是'信息增益'与'简洁性'平衡，拐点之后边际收益迅速变小。